El escaneo cerebral es más inteligente: qué significa una nueva técnica de IA para la neurociencia
Los investigadores han desarrollado un método que encuentra patrones ocultos en señales cerebrales de múltiples personas simultáneamente, incluso cuando los datos cerebrales de cada persona se ven ligeramente diferentes.
Puntos clave
- Una nueva técnica llamada MVICAD2 puede encontrar patrones de actividad cerebral compartidos en múltiples escaneos cerebrales de personas mientras se tienen en cuenta las diferencias de tiempo individual.
- El método se enfoca en MEG, magnetoencefalografía, un tipo de escaneo cerebral que mide campos magnéticos producidos por la actividad eléctrica en el cerebro.
- Los métodos estándar actuales tienen dificultades cuando el mismo proceso cerebral aparece en momentos o velocidades ligeramente diferentes en diferentes personas.
- Apple ML Research publicó la investigación subyacente.
¿Cuál es el problema que los científicos intentaban resolver?
Cuando los investigadores estudian cómo reacciona el cerebro a una imagen o un sonido, registran la actividad cerebral de muchos voluntarios e intentan encontrar patrones comunes. Eso suena directo. No lo es.
La tecnología de escaneo cerebral en el centro de este trabajo es la MEG, magnetoencefalografía: un sistema sensible que detecta los diminutos campos magnéticos que generan las neuronas cuando se activan. Las lecturas provienen de la superficie del cuero cabelludo, no del interior profundo del cerebro, así que los científicos tienen que trabajar hacia atrás para estimar dónde se originó realmente la actividad.
Multiplica ese desafío en un grupo de personas. El cerebro de cada persona tiene una forma diferente, y cada uno procesa las cosas a una velocidad ligeramente diferente. El mismo proceso mental podría aparecer una fracción de segundo antes en un voluntario que en otro, o desarrollarse a un ritmo diferente. Las herramientas estándar de análisis de grupo mayormente ignoran esas pequeñas discrepancias de tiempo, lo que significa que pueden perder señales reales o difuminarlas en ruido.
¿Qué hace exactamente MVICAD2?
El nuevo método aborda el problema de tiempo directamente. MVICAD2 significa Análisis de Componentes Independientes Multivista con Retrasos y Dilataciones. Desglosando eso: el análisis de componentes independientes es una técnica matemática para separar una señal mixta en sus ingredientes originales, la forma en que podrías aislar una voz en una habitación llena de gente. La parte de "retrasos y dilataciones" significa que el método puede estirar o desplazar una señal en el tiempo para alinearla con la señal equivalente de otra persona antes de compararlas.
La investigación, publicada por Apple ML Research, presenta esto como un problema de "multivista". Los datos cerebrales de cada persona son una "vista" del mismo evento subyacente, la forma en que cámaras de diferentes ángulos muestran la misma escena. El objetivo es reconstruir la verdad compartida desde todas esas perspectivas diferentes. Este es el segundo artículo de Apple ML Research que hemos cubierto en las últimas semanas; nuestra historia del 30 de julio examinaba cómo las herramientas de IA construyen silenciosamente estructuras de datos ocultas que revelan más que gráficos convencionales.
¿Por qué importa esto más allá del laboratorio?
Un mejor análisis de fuentes cerebrales podría mejorar la investigación de condiciones neurológicas, trastornos de atención y cómo responden las personas a la medicación. Si los científicos pueden aislar de manera más confiable lo que es común en muchos cerebros, obtienen datos más limpios para entender qué sale mal cuando las cosas salen mal.
Esta es investigación en etapa temprana, no una herramienta clínica. El método también podría aplicarse a cualquier situación donde el mismo evento se grabe desde múltiples sensores simultáneamente, con cada sensor contando la historia de manera ligeramente diferente. Esa es una oportunidad más amplia que solo la neurociencia, aunque el campo es poco probable que la sienta pronto.
Preguntas comunes
¿Necesito entender las matemáticas para preocuparme por esto?
No. El resultado práctico es que los escaneos cerebrales de grupos de personas serán más fáciles de analizar con precisión, lo que alimenta investigaciones de neurociencia mejores con el tiempo.
¿Cambiará esto la forma en que los médicos leen escaneos cerebrales?
No directamente ni pronto. Este es un método de investigación destinado a científicos que realizan estudios de grupo, no una herramienta de diagnóstico para hospitales. El uso clínico en el mundo real requeriría años de validación adicional.
